Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Buletin Sistem Informasi dan Teknologi Islam
Nurnawaty Nurnawaty
Teknik Pengairan, Universitas Muhammadiyah Makassar, Makassar, Indonesia
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Explainable Fake News Detection in Indonesian Language Using IndoBERT and SHAP Muhammad Hasraddin Hasnan; Rizky Yusliana Bakti; Muhammad Faisal; Titik Khawa Abd Rahman; Nurnawaty Nurnawaty; Muhammad Syafaat S. Kuba; Titin Wahyuni
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3466

Abstract

Perkembangan teknologi informasi dan media sosial telah mempercepat penyebaran berita palsu, sehingga diperlukan sistem deteksi yang akurat, andal, dan mudah diinterpretasikan. Penelitian ini bertujuan mengembangkan sistem deteksi fake news berbahasa Indonesia dengan mengintegrasikan IndoBERT sebagai model klasifikasi teks dan SHAP sebagai pendekatan Explainable Artificial Intelligence (XAI) untuk menjelaskan kontribusi kata terhadap hasil prediksi. Dataset diperoleh dari TurnBackHoax dan Kaggle, kemudian melalui tahapan preprocessing berupa cleaning text, filtering bahasa Indonesia, tokenisasi, serta penyeimbangan data menggunakan random oversampling pada data latih. Dari 5.347 data awal, diperoleh 4.980 data setelah filtering bahasa Indonesia, terdiri atas 3.613 data valid dan 1.367 data hoaks. Data dibagi secara stratifikasi dengan rasio 80% untuk pelatihan dan 20% untuk pengujian. Setelah oversampling, data latih menjadi seimbang dengan masing-masing 2.890 sampel per kelas. Hasil eksperimen menunjukkan bahwa model baseline TF-IDF dan Logistic Regression memperoleh akurasi 77%, sedangkan IndoBERT mencapai akurasi 87%, dengan precision 0,87, recall 0,95, dan F1-score 0,91 pada kelas hoaks. Visualisasi SHAP menunjukkan token penting yang memengaruhi klasifikasi. Hasil ini membuktikan bahwa integrasi IndoBERT dan SHAP efektif meningkatkan deteksi berita palsu sekaligus memberikan transparansi model.
Analisis Perbandingan Kinerja Arsitektur CNN VGG19, ResNet50, EfficientNetB0, dan MobileNetV2 untuk Deteksi Wajah Asli dan Wajah Buatan AI Erika Yanti; Muhammad Faisal; Titin Wahyuni; Abd Rakhim Nanda; Nurnawaty Nurnawaty; Rizki Yusliana Bakti
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3465

Abstract

Perkembangan Generative Artificial Intelligence (GenAI) memungkinkan pembuatan citra wajah sintetis yang sangat menyerupai wajah asli, sehingga menimbulkan tantangan terhadap keaslian informasi digital, privasi, dan keamanan identitas. Penelitian ini mengevaluasi kinerja empat arsitektur Convolutional Neural Network (CNN), yaitu VGG19, ResNet50, EfficientNetB0, dan MobileNetV2, dalam klasifikasi wajah asli dan wajah hasil generasi AI. Dataset yang digunakan adalah HFD-8000 yang terdiri atas 8.000 citra wajah dengan skenario klasifikasi biner. Tahapan penelitian meliputi prapemrosesan data, pembagian dataset, augmentasi, penanganan ketidakseimbangan kelas, serta pelatihan model menggunakan transfer learning. Evaluasi dilakukan menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix. Hasil penelitian menunjukkan bahwa ResNet50 dan VGG19 memperoleh performa terbaik dengan akurasi 99,50% dan macro F1-score 99,22%. EfficientNetB0 mencapai akurasi 97,83% dan F1-score 96,61%, sedangkan MobileNetV2 memperoleh akurasi 92,58% dan F1-score 86,40%. Secara keseluruhan, ResNet50 menjadi model paling optimal karena menunjukkan keseimbangan antara akurasi, stabilitas, efisiensi, dan keandalan dalam klasifikasi wajah asli dan sintetis.
Co-Authors Abd Rakhim Nanda Erika Yanti Muhammad Faisal Muhammad Hasraddin Hasnan Rizki Yusliana Bakti Rizky Yusliana Bakti S. Kuba, Muhammad Syafa'at Titik Khawa Abd Rahman Titin Wahyuni